機器學習最強入門

基礎數學/機率/統計

邁向

AI真實數據 x 專題實作

★★★★★【數學原理 + 演算法 + 真實案例+ 專題實作】★★★★★

★★★★★【最簡明的數學、機率、統計知識】★★★★★

★★★★★【最完整的機器學習演算法】★★★★★

★★★★★【最豐富的真實數據 x 專題實作】★★★★★

本書特色

★最白話解釋數學原理

☆從簡單的數據開始理解機器學習的演算法

★將理論知識轉化為實際的程式碼

☆實際案例分析

全書有約416個Python程式實例，讀者可以由本書內容，了解下列與機器學習有關的基礎數學、機率、統計知識：

★方程式與函數

☆ 完整Python語法

★ 一元函數到多元函數

☆ 最小平方法

★ 基礎統計

☆ 機率與單純貝式理論

★ 指數與對數

☆ logit函數與logistic函數

★ 向量與矩陣

☆ 二次函數、三次函數與多項式函數

當讀者有了上述知識後，筆者從簡單的實例開始介紹下列機器學習的演算法，每一種演算法皆是從基礎數據開始解說，然後跨入真實數據，解說應該如何將演算法應用到真實案例環境：

★線性迴歸 – 波士頓房價

☆邏輯迴歸 – 信用卡/葡萄酒/糖尿病

★決策樹 – 葡萄酒/鐵達尼號/Telco/Retail

☆隨機森林樹 – 波士頓房價/鐵達尼號/Telco/收入分析

★KNN演算法 – 電影推薦/足球射門/鳶尾花/小行星撞地球

☆支援向量機 – 鳶尾花/乳癌/汽車燃料

★單純貝式分類 – 垃圾郵件/中英文的新聞分類/情感分析/電影評論

☆集成機器學習 – 蘑菇/醫療保險/玻璃/加州房價

★K-means分群 – 購物中心消費/葡萄酒評價

☆PCA主成分分析 – 手寫數字/人臉數據

★階層式分群 – 小麥數據/老實泉

☆DBSCAN演算法 – 購物中心客戶分析

在講解上述演算法時，筆者同時介紹下列機器學習應該知道的知識：

★特徵選擇

☆用直方圖了解特徵分佈

★用箱型圖了解異常值

☆數據預處理

★殘差圖(Residual plot)

☆機器學習性能評估

★過擬合(overfitting)

☆欠擬合(underfitting)

★數據洩漏(Data leakage)

☆繪製決策樹圖(Decision tree map)

★可視化熱力圖(Heat map)

☆決策邊界(Decision Boundary)

★增加數據維度與超平面

☆交叉驗證(Cross-validation)

★泛化能力(Generalization Ability)

☆弱學習器(Weaks learners)

★強學習器(Strong learners)

☆學習模型(base learner)

本書最後一章，介紹了熱門的AI主題「語音辨識」，從本章內容讀者可以學會下列知識：

★ 語音轉文字

☆ 文字轉語音

※ 本書所有程式實例可至深智官網下載：deepwisdom.com.tw